智能驾驶进入物理AI时代？7位行业嘉宾给出最新判断

10月26日，第八届智能驾驶大会暨2026环秀湖物理AI产业发展推介会在苏州相城举行。 上一届，车路云一体化、智能驾驶出海和无人驾驶商业化是讨论重点，而到了今年，大会的讨论边界进一步从智能驾驶向物理AI延伸。 世界模型、强化学习、端侧智能、虚拟仿真、Robotaxi之外，机器人、低空飞行器等不同形态的物理智能开始出现在同一场大会上。这背后，是智能驾驶行业正在面对的一组新问题。 一方面，高阶辅助驾驶已经进入规模化上车阶段，Robotaxi也开始从技术验证走向运营和商业化；另一方面，当AI真正进入汽车、机器人、飞行器等物理设备，如何获得足够的数据、如何训练和验证模型、如何降低开发成本，以及如何保证系统在真实世界中的安全性，正在成为新的技术难题。 当天，包括Momenta、曹操出行、面壁智能等企业，以及高校和科研机构的多位嘉宾，从世界模型、强化学习、端侧大模型、虚拟仿真、车路云和物理AI基础设施等方向给出了自己的判断。 总结这些发言不难发现，智能驾驶正在成为物理AI最早进入现实世界的一块试验场。而从一辆车的自动驾驶，到机器人、低空飞行器以及城市交通系统，不同技术路线正在回答同一个问题：AI如何从数字世界真正进入物理世界，并形成可以规模化运行的产品。 中国工程院院士，清华大学车辆与运载学院教授、智能绿色车辆与交通全国重点实验室主任 李克强 关键词：智能驾驶安全、车路云一体化、单车智能瓶颈 李克强认为，汽车智能化已经进入大规模应用和商业闭环阶段，当前首要问题是智能驾驶系统安全。仅依靠单车自身的传感器和计算能力存在物理边界，高级别自动驾驶需要从单车智能进一步向车云协同、车路云一体化演进。 他将当前自动驾驶产业的瓶颈归纳为三类：一是部分产品定义与国家、国际标准存在偏差；二是高安全、高可靠自动驾驶的关键技术仍待突破；三是行业投入与商业产出仍不匹配。 技术层面，他认为主要存在三个问题： 感知能力仍有边界。如果车辆“看不见、看不远、看不全”，再强的AI决策也无法弥补信息缺失，因此需要通过超视距感知、数字信号上车和协同感知增加信息来源； AI模型训练数据仍不完整。自动驾驶正在进入多模态和大模型阶段，但数据类型和场景覆盖不足仍可能产生安全问题； 开发效率较低。当前大量系统仍采用“烟囱式”架构，缺乏统一底座，存在开发门槛高、复用率低和验证周期长等问题。 李克强提出，车路云一体化可以提供两类核心能力：一是建立标准化“数据轨道”，向车辆提供广域、多维、实时交通信息；二是形成面向AI大模型的数据服务体系，为模型持续提供高可靠数据。 目前相关方案已经进入产业化验证。包括北京、重庆在内的城市正在开展车企协同开发，应用场景覆盖前方静止障碍物、“鬼探头”、绿波通行等。部分项目已经进入量产阶段，今年已有7家车企推进相关应用，中国一汽也已公布量产导入。 他认为，高级别自动驾驶未来需要解决三个问题：正视安全瓶颈、突破单车智能的物理边界，并通过车路云一体化降低开发成本、提高研发效率。 欧洲科学院院士，清华大学车辆与运载学院教授 曲小波 关键词：物理AI、数字孪生、飞行汽车、需求响应公交 曲小波认为，物理AI正在推动数字孪生从“映射和监视现实世界”，进一步走向“理解、推演并实时控制现实世界”。 传统数字孪生主要完成物理实体到数字实体的映射，但数字端推演往往需要数秒，很难实时控制物理系统。相关国家重点研发项目希望重点解决四个问题：实现具有泛化能力的数字推演、将推演时间压缩到100毫秒以内、建立数字端与物理端互操作机制，以及通过跨尺度、多层次架构降低末端执行误差。 其技术体系分成三个层级： 组件级：提高电机等执行机构的设计效率和执行精度。通过物理AI学习既有电机数据，可以在约10%误差下，将部分单点计算从小时级缩短到毫秒级； 载具级：解决Sim-to-Real Gap、不同机型与动力学适配以及快速验证，应用于自动驾驶、飞行器自主巡航和工程机械自主作业； 系统级：实现多种异构载具之间的协同，包括需求响应公交、低空交通管控、矿山工程机械等。 在飞行汽车方面，团队与奇瑞合作开发了自主巡航复合翼模块化飞行汽车，由机翼、座舱和底盘组成，可以分别组合成自主巡航飞行器和自动驾驶汽车。 工程机械方面，通过世界模型生成候选轨迹并完成轨迹选择，同时优化起铲点和卸料位置，使工程机械能够完成环境建模、铲装、运输和卸料的连续作业。 需求响应公交目前已在湖南株洲职教城常态化运行18个月。当地约有10万名师生，超过50%已经注册使用。与出租车相比，点到点行程时间只相差约2分钟，但平均单次成本约为2元，对比出租车约9.16元。 低空交通方面，则通过构建起降区域全息环境，进行冲突预测、起降排序和资源调度，目前已经在重庆将通航机场改造成飞行汽车起降测试场。 汤元科技CEO 任冬淳 关键词：世界模型、仿真训练、合成数据、虚实闭环 任冬淳介绍了Yootta WorldLoop世界模型，这是一套面向智能驾驶和物理AI的虚实融合闭环训练与评测系统。 整个系统覆盖数据采集、数据生产、算法训练、算法评测、真机验证和数据回流，并由场景生产与编辑、算法训练、仿真评测与真机验证三个平台组成。 其核心技术包括四个模块： CAD和3D结构数据物理化； 生成式世界模型； 4D数据渲染器； 仿真物理引擎。 其中，3D资产除几何和颜色信息外，还会加入质量、摩擦力、弹力和材质等物理属性，使机器人能够真正与虚拟资产发生交互。 目前相关系统已经覆盖家居、工业、商业零售、智能驾驶行车和泊车五类场景。 在具身智能场景中，可以加载不同机器人的URDF模型，并设置抓取、导航等任务。任冬淳表示，如果通过真机采集1000条抓取数据，每条需要约1分钟，总耗时超过1000分钟；采用GPU并行仿真，可以将同等规模的数据生产和训练缩短到数分钟至十几分钟。 智能驾驶方面，可以利用车端或路端传感器重建真实道路环境，再改变天气、光照、车辆数量等条件，用于行车和泊车算法训练与验证。 目前Yootta已经与尚品宅配开放500套家居场景，每套包含数百至上千个可以与机器人交互的资产。下一阶段计划构建5000个虚实对应场景，发布100万个真实资产、500万小时合成数据，并适配约50款机器人硬件本体。 曹操出行CEO 龚昕 关键词：RoboX、Robotaxi、物理AI Agent、天地空一体化出行 龚昕认为，AI时代出行行业的竞争正在从流量入口转向一体化供给能力。 曹操出行由此提出RoboX战略，希望把网约车、出租车、巴士、低速物流车、货运卡车和eVTOL等不同移动能力，统一封装成可以被AI Agent实时调用的服务。 在这一体系中，用户未来可能不再需要单独打开叫车APP，而是由AI根据日程、位置和个人需求，自动选择并调用相应出行服务。 曹操出行将物理AI在出行领域的商业模式分为四类： 基础出行服务：统一调度Robotaxi、高铁、低空飞行器等交通工具； 超级物理AI Agent：让车辆成为旅游、餐饮、娱乐等现实服务入口； 实时立体数据服务：利用车内外传感器形成实时环境数据，在合规前提下服务企业和城市管理； 分布式算力：进一步利用车辆闲置算力。 支撑RoboX战略的是Robo OS，负责连接线上AI Agent与线下移动载具，并将用户偏好、出行场景、履约结果、位置和路线等真实数据反馈给AI。 目前曹操出行Robotaxi已经覆盖六座城市，车队规模超过200辆；Robo One在长沙、成都部署超过50台，并计划进入苏州。RAS远程中心已经在杭州和苏州落地。 按照规划，到2030年，曹操出行计划在苏州投放数千台Robotaxi和Robo One，实现7×24小时常态化运营。 其发展路径分为三个阶段：2026年跑通Robotaxi和Robo One载人、运货的准入和运营闭环；2027年随着正向研发Robotaxi车型下线开始规模复制；到2030年，将苏州模式向全国及海外市场推广。 爱思人工智能科技有限公司董事长 杨通 关键词：Agnes Harness、物理AI、Test Time Training、硬件协议 杨通认为，AI正在出现三项变化：通用大模型进入更多垂直领域，模型开始通过Skill和训练反馈实现自我进化，以及大模型开始直接连接物理设备。 基于这一趋势，爱诗人工智能开发了Agnes Harness，希望降低通用模型向垂直智能体和物理AI应用迁移的成本。 Agnes Harness采用前后端解耦设计，将模型能力与MaaS、记忆、沙箱、搜索与工具、上下文管理、团队协作等能力封装起来，再通过Plugin和Skill机制适配不同应用。 在物理AI层面，其核心能力之一是MHS，即通过标准硬件协议，让大模型能够用自然语言连接显微镜、医疗设备、摄像头、无人机等可编程设备。 目前已经进行小车与机器狗协同实验，两台设备依靠摄像头感知环境，再由大语言模型直接参与决策，不使用传统遥控，也不需要完整预设动作流程。 另一个重点是ISI，主要包括两部分： 将模型运行过程中的能力持续沉淀为Skill； 通过TTT（Test Time Training）让模型在实际运行过程中继续更新。 杨通表示，传统模型数据采集、训练和推理由不同团队完成，模型上线以后往往长期不变；TTT希望把数据采集、执行反馈和模型更新连接起来，使模型能够针对具体环境持续适应。 目前相关实验使用约0.9B参数模型进行验证，部分模型约每半小时更新一次。在游戏测试中，持续积累Skill后，部分任务胜率从约3%提升到90%，三对三场景从0提升到约60%。 目前爱诗人工智能模型月调用量约65万亿Token，月图片生成量约5000万张，视频生成量约1.7亿秒。Agnes相关系统已经被用于芯片设计、算子优化、无人机集群、蛋白质合成等场景。 Momenta副总裁 顾功尧 关键词：高阶辅助驾驶、世界模型、强化学习 顾功尧认为，中国高阶辅助驾驶已经进入快速上量阶段，城区NOA方案开始进入10万元及以下车型，全球市场则整体晚于中国数年。 Momenta的业务模式可以概括为“一飞轮、两条腿”：一条是量产辅助驾驶，另一条是L4规模化无人驾驶。量产车型持续产生真实道路数据，再反哺Robotaxi等L4产品。 目前，搭载Momenta辅助驾驶系统的乘用车已经超过130万辆，累计定点超过240个，交付120多款车型，累计真实行驶里程约200亿公里。 Momenta将物理AI理解为“世界模型+强化学习”。 其R7世界模型主要分为三个阶段： 预训练：利用上百亿公里真实道路数据，让世界模型学习物理规律、交通行为和道路常识； 仿真推演：模拟自车和其他交通参与者的行为变化； 强化学习：在世界模型构建的仿真环境中进一步训练车端驾驶模型。 Momenta目前使用统一模型架构支撑L2++到L4产品，量产辅助驾驶、Robotaxi等产品共用同一条模型和数据主线，只根据法规和安全要求设置不同冗余。 R7已经应用于多款量产车。例如复杂山路中，系统需要同时处理骑行者、隔离带和对向车辆，寻找短暂的安全超车窗口；在夜间城区绕过违停车辆时，还需要提前识别远处隔离墩，并规划重新回到原车道的轨迹。 Momenta正在预研下一代R9世界基础模型。R7参数规模约10亿级，R9计划提升到约千亿级，同时车端芯片算力也从百TOPS级向千TOPS级演进。 R9希望进一步理解更加细微的物理变化，例如不仅识别山体落石，还能够推演落石后续运动是否符合自由落体规律。 面壁智能联合创始人兼首席科学家 刘知远 关键词：密度法则、端侧智能、全模态感知、物理AI 刘知远认为，大模型过去八年的核心变化并不只是参数规模持续扩大，而是形成了一套可以不断吸收不同类型数据的通用技术路线。 随着模型继续扩大，数据和算力正在成为新的约束。 在数据侧，从2024年前后开始，大规模强化学习推动模型由模仿学习向探索式学习发展，使模型可以主动探索并生成新的训练数据。 而在算力侧，如果仍然只依靠扩大参数规模提升能力，计算需求最终难以持续。因此，大模型还需要提高“智能密度”，即使用更少参数和算力达到相同智能水平。 面壁智能由此提出“密度法则”。 根据其观察，全球开源大模型的智能密度大约每100天提升一倍，即大约每100天就可以用一半参数和一半计算量，实现此前相近的智能能力。 刘知远认为，这类似于半导体行业的摩尔定律。未来模型一方面会不断变小，手机、汽车、机器人等终端算力另一方面会继续提高，两条趋势最终交汇，使过去只能运行在服务器上的大模型逐步进入终端。 他将未来AI分为三种形态：超级智能、云侧智能和端侧智能，其中端侧智能将成为物理AI的重要载体。 人工智能进入物理世界还存在三个趋势： 高智能密度：降低模型运行所需的参数和算力； 全模态感知：通过视觉、声音和其他传感器理解现实世界； 自主智能体：在开放环境中持续决策、学习和行动。 面壁智能已经将端侧模型应用到手机、汽车座舱、卫星和机器人等场景，并与华为、三星等企业开展合作。 按照密度法则推算，如果智能密度继续维持约100天翻倍的速度，不到两年时间，同等能力所需的参数量和算力可能下降两个数量级，使原本万亿级模型的部分能力压缩到百亿级，并部署到终端设备。 刘知远认为，未来大模型将持续进入手机、PC、汽车、机器人、可穿戴设备和IoT等终端，端侧智能将成为AI进入物理世界的重要路径。 雷峰网雷峰网